OPTIMALISASI PENGGUNAAN TRANSFORMASI WAVELET HAAR PADA CITRA DIGITAL MENGGUNAKAN MATLAB

Transkripsi

1 OPTIMALISASI PENGGUNAAN TRANSFORMASI WAVELET HAAR PADA CITRA DIGITAL MENGGUNAKAN MATLAB Mela, Iskandar Fitri 1) dan Ina Agustina 2) Fakultas Teknologi Komunikasi dan Informatika Universitas Nasional Jl. Sawo Manila No.61 Pasar Minggu Jakarta Selatan ABSTRACT In this research was conducted the testing with used the method of haar wavelet transformation for digital image compression. The wavelet transformation has high capability for compress with keep the image quality. This research conduct testing process used MATLAB 2009 application for compare the image quality from the first until four level decomposition with parameter of PSNR. Key Word Wavelet, haar wavelet, decomposition, PSNR 1. PENDAHULUAN Saat ini kebutuhan akan kualitas citra yang baik dengan ukuran file yang kecil sangat diperlukan. Salah satu diantaranya adalah untuk mengurangi penggunaan memori yang dapat mempermudah media penyimpanan, dan untuk mempersingkat waktu pengiriman citra digital ketika sedang berhubungan dengan jaringan komputer. Dengan adanya citra yang telah dikompresi kebutuhan akan ruang memori di dalam media storage akan lebih sedikit dibandingkan dengan citra yang tidak dilakukan kompresi. Dan dengan citra yang telah dikompresi, waktu pengiriman data saat berhubungan dengan jaringan komputer akan lebih singkat dibandingkan dengan citra yang tidak dilakukan kompresi. Sebenarnya saat ini telah banyak aplikasi yang dapat digunakan untuk melakukan kompresi citra, namun metode yang dipergunakan dalam aplikasi-aplikasi tersebut belum diketahui secara luas oleh kalangan masyarakat. Dalam melakukan kompresi pada citra terdapat beberapa cara diantaranya dengan cara subsampling, pengurangan kedalaman bit, transformasi DCT dan DWT. Transformasi DCT adalah salah satu metode yang digunakan untuk melakukan komprsi citra berformat JPEG, sedangkan pada tugas akhir ini penulis menggunakan cara transformasi DWT atau disebut juga Diskrit wavelet transformation dimana penulis menggunakan transformasi wavelet haar. Penggunaan metode ini dilatar belakangi oleh hasil beberapa riset yang telah dilakukan sebelumnya bahwa transformasi wavelet haar dapat digunakan untuk melakukan kompresi citra dan dengan transformasi wavelet suatu sinyal dapat disimpan lebih baik dalam aproksimasi-nya. Transformasi wavelet juga telah menjadi metode yang digunakan untuk melakukan kompresi citra JPEG2000. Dari latar belakang diatas, dapat diidentifikasikan beberapa permasalah yang ditimbulkan, diantaranya : 1. Saat ini ukuran memori citra sangatlah besar, oleh karena itu dibutuhkan suatu fasilitas yang dapat memperkecil ukuran citra tersebut namun masih dapat mempertahankan kualitas citra. 2. Banyaknya aplikasi yang dapat melakukan kompresi citra namun metode yang digunakan dalam aplikasi tersebut belum diketahui secara luas oleh masyarakat. 3. Setelah dilakukan observasi, ternyata banyak metode yang dapat diimplementasikan untuk melakukan kompresi citra. Tujuan dari penulisan ini adalah untuk mengoptimalisasi metode transformasi wavelet haar dalam melakukan kompresi. Dan dengan bantuan aplikasi matlab, penulis dapat menghasilkan sebuah aplikasi yang berfungsi untuk mengkompresi sebuah citra digital. 2. LANDASAN TEORI a. Transformasi Wavelet Wavelet diartikan sebagai gelombang singkat. Transformasi wavelet akan mengkoversi suatu sinyal kedalam sederetan wavelet. Gelombang singkat tersebut merupakan fungsi basis yang terletak pada waktu berbeda. Proceedings SNIT 2011: Hal. A-339

2 Proses transformasi wavelet secara konsep cukup sederhana. Citra semula yang di transformasi dibagi (didekomposisi) menjadi 4 subimage baru untuk menggantikannya. Setiap sub image berukuran ¼ kali citra asli. 3 subimage pada posisi atas kanan, bawah kiri, dan atas kanan akan tampak seperti versi kasar dari citra asli karena berisi komponen dari frekuensi tinggi dari citra asli. Sedangkan untuk 1 subimage atas kiri tampak seperti citra asli dan tampak lebih halus, karena berisi komponen frekuensi rendah dari citra asli. Subimage tersebut dibagi seperti semula lagi menjadi 4 subimage baru. Proses demikian dapat diulang seterusnya. Sesuai dengan tingkatan transformasi yang diinginkan. Pada gambar di bawah ini terdapat contoh transformasi wavelet pada citra. Gambar 1. transformasi wavelet pada citra Pada gambar diatas hanya dilakukan 1 level dekomposisi, di mana citra asli dibagi menjadi 4 subimage baru, image yang berada pada bagian kiri atas terlihat lebih halus karena berisi komponen frekuensi rendah, sedangkan 3 image lainnya tampak lebih buram karena berisi komponen frekuensi tinggi. Masing-masing subimage tersebut mengandung ¼ dari nilai image asli. b. Transformasi Wavelet 2D Transformasi wavelet 2D adalah transformasi wavelet yang digunakan untuk citra 2 dimensi. Pada proses dekomposisi citra 2 dimensi dengan transformasi wavelet diskrit, matrik citra dipilahpilah dan diproses dengan Filter low pass dan hight pass sehingga menghasilkan sub citra untuk komponen approksimasi dan subcitra untuk komponen detail. Tahapan dekomposisi citra level 1 dapat dilihat pada Gambar 2.1. Untuk melakukan dekomosisi pada tingkatan n, maka dekomposisi selanjutnya dapat dilakukan dengan menggunakan komponen aproksimasi atau komponen LL. Gambar 2 dekomposisi wavelet 2D 1 level Pada gambar di atas, LL menyatakan bagian koefisien yang diperoleh melalui proses tapis Low pass. Citra pada bagian ini mirip dan merupakan versi lebih halus dari citra aslinya sehingga koefisien pada bagian LL sering disebut dengan komponen aproksimasi. LH menyatakan bagian koefisien yang iperolel melalui proses tapis Low Pass kemudian dilanjutkan dengan Hight Pass. Koefisien pada bagian ini menunjukan citra tepi c. Wavelet Haar Haar adalah wavelet paling tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada dalam arah horizontal. Bagian HL menyatakan bagian yang diperoleh melalui proses Hight Pass kemudian dilanjutkan dengan Low Pass. Koefisien pada bagian ini menunjukan citra tepi dalam arah vertical. HH merupakan proses yang diawali dengan Hight Pass dan dilanjutkan dengan Hight Pass, dan menunjukan citra tepi dalam arah diagonal. Ketiga komponen LH, HL, HH disebut juga komponen detail. tahun Haar telah menjadi sumber ide bagi munculnya keluarga wavelet lainnya. Koefisien transformasi Proceedings SNIT 2011: Hal. A-340

3 h 0 = (h 0 (0), h 0 (1)) =, (tapis low pass) dan h 1 = (h 1 (0), h 1 (1)) =,- (tapis high pass) yang dibahas sebelumnya merupakan fungsi basis wavelet Haar. Dekomposisi yang telah dilakukan sebelumnya sama dengan melakukan dekomposisi (transformasi) citra dengan wavelet haar. d. PSNR PSNR, singkatan dari Peak Signal-to-Noise Ratio, sebuah istilah yang digunakan untuk menggambarkan secara obyektif kualitas data, yang merupakan hasil dekompresi data yang dikodekan. Blok PSNR menghitung rasio signalto-noise puncak, dalam desibel, antara dua gambar. Rasio ini sering digunakan sebagai ukuran kualitas antaragambar asli dan gambar terkompresi. Semakin tinggi PSNR, semakin baik kualitas, atau direkonstruksi gambar terkompresi. Mean Square Error (MSE) dan Peak Signal Noise Ratio untuk (PSNR) adalah metrik kesalahan dua digunakan untuk membandingkan kompresi kualitas gambar. MSE merupakan kuadrat kesalahan komulatif antara citra yang dikompresi dan citra asli, sedangkan PSNR merupakan ukuran dari kesalahan puncak. Semakin rendah nilai MSE, semakin rendah kesalahan. Untuk menghitung PSNR itu, langkah pertama kita hitung blok kuadrat kesalahan komulatif antara citra asli dan citra yang telah di kompresi dengan menggunakan persamaan berikut: Dalam persamaan di atas, M dan N adalah jumlah baris dan kolom gambar yang di input dari persamaan masing-masing. Kemudian kita menghitung blok PSNR dengan menggunakan persamaan berikut: Dalam persamaan di atas, R adalah fluktuasi maksimum pada gambar tipe data input. Misalnya, jika gambar input memiliki presisiganda floating-point tipe data, maka R adalah 1. Jika memiliki bit unsigned integer type 8 data, R 255, dan lain-lain. 3. DESAIN SISTEM a. Gambaran Umum Rancangan Sistem Pada tugas akhir ini dirancang sebuah sistem aplikasi untuk melakukan kompresi pada suatu citra digital dimana metode yang digunakan adalah metode transformasi wavelet haar hingga mencapai 4 level dekomposisi. Untuk jenis citra yang dapat dilakukan kompresi adalah citra dengan format JPG dan JPEG dimana citra tersebut masih tergolong kedalam citra 8 bit. Algoritma Perancangan Sistem Algoritma kompresi citra digital berbasis transformasi wavelet haar adalah sebagai berikut: 1. Ambil gambar asli. 2. Lakukan dekomposisi sebanyak 4 level pada citra asli menggunkana keluarga wavelet haar. 3. Hitung komponen approksimasi dari citra asli. 4. Hitung komponen detail dari citra asli. 5. Rekonstruksi kembali hasil dekomposisi 1 level komponen aproksimasi dan komponen detail pada citra asli. 6. Lakukan perhitungan atau pengkodean. 7. Akan didapatkan citra baru hasil dekomposisi 1 level 8. Untuk melakukan kompresi pada level selanjutnya lakukan lagi dekomposisipada komponen aproksimasi, lalu ikuti kembali langkah 3-6 hingga mencapai 4 level dekomposisi. 9. Hitung Nilai PSNR citra pada masing-masing level. Proceedings SNIT 2011: Hal. A-341

4 Flowchart Rancangan Sistem Spesifikasi Sistem Dalam Pengimplementasian aplikasi kompresi ini penulis menggunakan spesifikasi hardware dan software yang dijelaskan pada table 3.1 dan 3.2. Tabel 1. Spesifikasi Perangkat Keras Pengembangan Sistem Spesifikasi Perangkat Keras Prosesor Celeron Dual Core 1.90 GHZ Memori 1 G Hardisk 120 GB Tabel 2. Spesifikasi Perangkat Lunak Pengembangan Sistem Spesifikasi Perangkat Lunak Sistem Operasi Windows XP sp2 Bahasa Pemrograman MATLAB HASIL PENGUJIAN DAN ANALISA a. Uji Coba Sistem Percobaan kompresi citra dengan wavelet 2D menggunakan keluarga wavelet haar yang dilakukakan sebanyak 4 level dekomposisi. Percobaan ini mengunakan citra 8 bit. Dalam penguji cobaan sistem ini, dilakukan beberapa uji coba diantaranya mengenai berapa persentase berkurangnya kapasitas citra setelah didekomposisi sebanyak 4 level, dalam berapa kali zoom dapat dilakukan pada sebuah citra untuk mendapati kondisi buruk dari citra tersebut, kegunaan masing-masing level citra dalam pengimplementasiannya, berapa nilai PSNR yang dimiliki pada masing- masing citra tersebut serta pengaruh spesifikasi hardware dalam besarnya nilai kompresi serta waktu pengkompresan. Hasil citra dari uji coba sistem dengan dekomposisi 4 level dapat dilihat pada gambar dibawah ini. Proceedings SNIT 2011: Hal. A-342

5 (a) (a) (b) (c) (d) Gambar 4 Citra dekomposisi 1 level (a). Citra dekomposisi 2 level (b). Citra dekomposisi 3 level (c). Citra dekomposisi 4 level (d). b. Hasil Uji Presentase Nilai Citra Dalam Uji coba ini, penulis akan menghitung presentase berkurangnya kapasitas citra dalam masing-masing levelnya yang dibandingkan dengan citra level sebelumnya. Tabel 3. Hasil Presentasi citra kompresi dengan citra asli Proceedings SNIT 2011: Hal. A-343

6 c. Hasil Zoom Dalam uji coba ini, penulis mengitung berapa kali dapat dilakukan zoom pada masing-masing citra untuk mempertahankan kualitasnya dan menganalisis kondisi yang dihasilkan. Hasil zoom dilakukan dengan mengunakan aplikasi Windows Picture and Fax Viewer. Tabel 4. Hasil Kualitas setelah dilakukan 10 kali Zoom Keterangan : SB = Sangat Baik B = Baik KB = Kurang Baik BR = Buruk Dari hasil table di atas, didapatkan beberapa manfaat yang dapat digunakan oleh masingmasing level citra yang dapat kita lihat pada table di bawah ini. Tabel 4. Kegunaan masing masing citra d. Nilai PSNR Dalam uji coba nilai PSNR bertujuan untuk mengetahui nilai PSNR dari masing-masing tingkatan level. Dimana semakin besar nilai PSNR nya semakin baik pula kualitas citra. Di bawah ini terdapat diagram yang menunjukan besarnya nilai PSNR pada masingmasing citra tersebut. Gambar 5. Perbandingan nilai PSNR Dari hasil diagram di atas, tampak jelas terlihat bahwa perbedaan nilai PSNR antara citra level 1 dan level 2 terjadi perbedaan nilai PSNR yang sangat signifikan yakni hingga mencapai 4 db. Hal tersebut berarti kualitas antara citra level e. Perbandingan Menggunakan Spesifikasi Hardware yang Berbeda Untuk mengetahui adakah pengaruh yang ditimbulkan dari hasil kompresi citra jika 1 dengan citra level 2,3 dan 4 sangat berbeda jauh. Sedangkan dari citra level 2 hingga citra level 4 perubahan nilai PSNR nya hanya berbeda 1 db. menggunakan spesifikasi hardware yang berbeda, maka penulis mencoba menganalisa hasil kompresi tersebut dengan menggunakan 5 spesifikasi hardware berbeda, yakni 2 untuk hardware di atas hardware yang digunakan penulis dan 2 lagi untuk hardware di bawah hardware yang digunakan penulis. Proceedings SNIT 2011: Hal. A-344

7 Tabel 5 Perbedaan Proses Kompresi f. Analisa Transmisi Jaringan Untuk mengetahui perbedaan citra asli dengan citra hasil kompresi pada masing-masing level dalam suatu jaringan, dilakukan dengan dua cara yakni perhitungan waktu saat mengupload citra, kedua perhitungan waktu saat mendownload. kembali citra. Kedua cara tersebut dilakukan dalam sebuah jaringan LAN dengan media transmisi kabel dengan kecepatan 100mbps. Dan masing-masing client mendapat bandwith 128 kbps. Pengujian dilakukan pada hari Selasa 18 Januari 2011 Pukul WIB. a. Perhitungan waktu yang dibutuhkan saat melakukan Upload Tabel 6. Perhitungan waktu saat melakukan upload Citra Asli Citra Level 1 Citra Level 2 Citra Level 3 Citra Level 4 Jenis Citra 4.38 detik 3.50 detik 2.56 detik 2.08 detik 1.02 detik Lama Upload b. Perhitungan waktu yang dibutuhkan saat melakukan Download Tabel 7.Perhitungan waktu saat melakukan Download. Citra Asli Citra Level 1 Citra Level 2 Citra Level 3 Citra Level 4 Jenis Citra 4.20 detik 3.15 detik 2.06 detik 1.48 detik 0.57 detik Lama Download Dari hasil tabel di atas, dapat diketahui bahwa semakin tinggi nilai level kompresi maka akan semakin cepat waktu pengiriman maupun pengambilan datannya. Proceedings SNIT 2011: Hal. A-345

8 5. KESIMPULAN Transformasi wavelet haar hanya efektif dilakukan pada level ke tiga. Hal ini dikarenakan kualitas citra hasil kompresi level 4 sangat buruk dan tidak dapat digunakan lagi untuk apapun. Pada penelitian ini kompresi hanya dapat DAFTAR PUSTAKA Arymurthy, Aniati Murni dan Suryana Setiawan Pengantar Pengolahan Citra. Elex Media Komputindo. Gonzales, Rafael C Digital Image Processing Second Edition. Addison- Wesley Publishing. dilakukan pada citra berukuran 8 bit saja. Semakin tinggi tingkat kompresi, semakin kecil ukuran citranya dan semakin cepat proses transmisi data dalam sebuah jaringan. Semakin tinggi tingkat kompresi semakin kecil nilai PSNR dan semakin buruk pula kualitas citra tersebut. Jain, Anil K Fundamentals of Digital Image Processing. Prentice Hall International. Munir, Rinaldi Pengolahan Citra Digital dengan Pendekatan Algoritmik. Penerbit Informatika Bandung. Willey Digital Image Processing 3 rd Edition. Proceedings SNIT 2011: Hal. A-346